#hyperparameter-optimization Repositories
Entdecke 55 aktive Open-Source-GitHub-Repositories, die mit #hyperparameter-optimization getaggt sind und insgesamt 247,121 Sterne gesammelt haben (durchschnittlich 4,493 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist ray-project/ray mit 44,352 Sternen.
Insgesamt 55 Repositories
Ray ist ein AI-Compute-Engine. Ray besteht aus einem zentralen verteilten Runtime und einem Satz von AI-Bibliotheken zur Beschleunigung von ML-Workloads.
Ein Leitfaden zur systematischen Maximierung der Leistung von Deep-Learning-Modellen.
Interaktives Deep-Learning-Buch mit Code für mehrere Frameworks, Mathematik und Diskussionen. An 500 Universitäten in 70 Ländern übernommen, darunter Stanford, MIT, Harvard und Cambridge.
Die AI-Entwicklerplattform. Verwenden Sie Weights & Biases, um Modelle zu trainieren und feinabzustimmen und Modelle von der Experimentierphase bis zur Produktion zu verwalten.
Ein Python-basiertes Automated-Machine-Learning-Tool, das Machine-Learning-Pipelines mit genetischer Programmierung optimiert.
In diesem Notebook werde ich einen vollständigen Prozess zum Vorhersagen von Aktienkursbewegungen erstellen. Folgen Sie mit, und wir werden einige ziemlich gute Ergebnisse erzielen. Zu diesem Zweck werden wir ein Generative Adversarial Network (GAN) mit LSTM, einer Art Recurrent Neural Network, als Generator und ein Convolutional Neural Network, CNN, als Diskriminator verwenden. Wir verwenden LSTM aus dem offensichtlichen Grund, dass wir Zeitreihendaten vorhersagen wollen. Warum verwenden wir GAN und speziell CNN als Diskriminator? Das ist eine gute q
Notizen, Programmieraufgaben und Quizze aus allen Kursen der Coursera Deep Learning Specialization, angeboten von deeplearning.ai: (i) Neuronale Netze und Deep Learning; (ii) Verbesserung tiefer neuronaler Netze: Hyperparameter-Tuning, Regularisierung und Optimierung; (iii) Strukturierung von Machine-Learning-Projekten; (iv) Convolutional Neural Networks; (v) Sequenzmodelle
Eine schnelle Bibliothek für AutoML und Tuning. Treten Sie unserem Discord bei: https://discord.gg/Cppx2vSPVP.
Eine kuratierte Liste von Papieren, Artikeln, Tutorials, Folien und Projekten zum automatisierten maschinellen Lernen
Python-Paket für AutoML auf tabellarischen Daten mit Feature Engineering, Hyperparameter-Tuning, Erklärungen und automatischer Dokumentation
Determined ist eine Open-Source-Plattform für maschinelles Lernen, die verteiltes Training, Hyperparameter-Tuning, Experimentverfolgung und Ressourcenmanagement vereinfacht. Funktioniert mit PyTorch und TensorFlow.
Ein Trainingsframework für Stable Baselines3 Reinforcement Learning Agenten, inklusive Hyperparameter-Optimierung und vortrainierter Agenten.
Approaching (Almost) Any Machine Learning Problem chinesische Übersetzung, Online-Dokumentationsadresse: https://ytzfhqs.github.io/AAAMLP-CN/
Python-basierte Forschungschnittstelle für Blackbox- und Hyperparameter-Optimierung, basierend auf dem internen Google Vizier Service.
DomainBed ist eine Suite zum Testen von Domain-Generalisierungsalgorithmen
Robyn ist ein experimentelles, KI/ML-gestütztes und Open-Source-Marketing-Mix-Modeling (MMM)-Paket von Meta Marketing Science. Unsere Mission ist es, Modellierungswissen zu demokratisieren, die Branche durch Innovation zu inspirieren, menschliche Voreingenommenheit im Modellierungsprozess zu reduzieren und eine starke Open-Source-Marketingwissenschaftsgemeinschaft aufzubauen.
ShinkaEvolve: Auf dem Weg zur offenen und beispieleffizienten Programmentwicklung 🧬
Leichtgewichtige Optimierung mit lokalen, globalen, populationsbasierten und sequentiellen Techniken über gemischte Suchräume
SMAC3: Ein vielseitiges Paket für bayessche Optimierung bei der Hyperparameter-Optimierung
Eine Werkzeugkiste für kompositionelle Operationen für die gradientenbasierte Bi-Level-Optimierung
HyperView ist ein terminalbasiertes TradingView-Strategie-Labor für das Herunterladen von Marktdaten, Backtesting von Python-Strategien mit Pine-ähnlichem Verhalten und Optimierung von SL/TP-Parametern.
Der vollständige Post-Training-Stack für LLMs, plus RL für jedes Problem. SFT, DPO und mehrstufiges agentisches RL mit integrierter evolutionärer Hyperparameteroptimierung.
Zusammenstellung einer Liste mit AutoML-bezogenen Forschungen, Tools, Projekten und anderen Ressourcen
LibKGE - Eine Bibliothek für Knowledge-Graph-Embeddings für reproduzierbare Forschung
OCTIS: Das Vergleichen von Topic Models ist einfach! Ein Python-Paket zur Optimierung und Evaluierung von Topic Models (akzeptiert für die EACL2021 Demo-Schiene)
Verwenden Sie evolutionäre Algorithmen anstelle von gridsearch in scikit-learn
Die sauberste AutoML-Bibliothek der Welt ✨ - Führen Sie Hyperparameter-Tuning mit den richtigen Pipeline-Abstraktionen durch, um saubere Deep-Learning-Produktionspipelines zu schreiben. Lassen Sie Ihre Pipeline-Schritte Hyperparameterspaces haben. Entwerfen Sie Schritte in Ihrer Pipeline wie Komponenten. Kompatibel mit Scikit-Learn, TensorFlow und den meisten anderen Bibliotheken, Frameworks und MLOps-Umgebungen.
Häufig gestellte Fragen
Welches ist das beliebteste #hyperparameter-optimization-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#hyperparameter-optimization-Projekt auf GitHub ist ray-project/ray mit 44,352 Sternen. Ray ist ein AI-Compute-Engine. Ray besteht aus einem zentralen verteilten Runtime und einem Satz von AI-Bibliotheken zur Beschleunigung von ML-Workloads.
Welche Programmiersprachen werden in #hyperparameter-optimization-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #hyperparameter-optimization-Projekten auf GitHub sind Python, Jupyter Notebook, JavaScript, MDX die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #hyperparameter-optimization-Repositories berechnet?
Wir verfolgen 55 aktive Open-Source-Repositories, die mit #hyperparameter-optimization getaggt sind (500+ Sterne), mit insgesamt 247,121 Sternen und durchschnittlich 4,493 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.